JSoup - 按标签解析 HTML 标签答案

【问题标题】：JSoup - Parse HTML tag by tagJSoup - 按标签解析 HTML 标签
【发布时间】：2016-01-28 18:54:09
【问题描述】：

我实际上是在用 Java 开发一个文本解析器，我被要求通过解析 HTML 来增强它。解析器的目的是将解析后的文件分成3个其他文件，一个包含文件中包含的所有单词，一个包含所有句子，另一个包含所有问题。

*.txt 部分完美运行，但我在解析 HTML 时遇到问题。

我创建了一个带有 *.txt 扩展名的临时文件并将其传递到我的文本解析器中，但如果我传递一个带有 HTML 文件链接的 URL，其格式如下：

<!DOCTYPE html>
    <head>
        ... some HTML here ...
    </head>
    <body>
        <ul class="some_menu">
            <li class="some_menu_item">n1</li>
            <li class="some_menu_item">n2</li>
            <li class="some_menu_item">n2</li>
        </ul>
        <div>
            This is a question ?
            This is a sentence .
            ... some other text ...
        </div>
    </body>
</html>

问题文件将填写：n1 n2 n3 This is a question

所以，我只是想知道，有没有办法通过标签来解析 JSoup 标签，这样我就可以在每次关闭块时添加换行符？

如果您需要一些新信息，请不要问！

编辑：我应该有 3 个输出文件，对于这个例子来说：

一字一句

n1
n2
n3
This
is
a
question
sentence
... some other words ...

一个包含所有句子
```
This is a sentence
```
一个回答所有问题
```
This is a question
```

蒂米M

【问题讨论】：

是的，您可以逐个遍历标签并分别获取文本。但是，我真的不明白你在这里想要做什么。你能举个例子说明你想从这个 HTML 中得到什么吗？

标签： java html parsing jsoup

【解决方案1】：

要获取 html 正文中的所有文本，您可以使用：

Document doc = Jsoup.connect(url).get();
Elements body = doc.select("body");
String allText = body[0].text();

然后您可以拆分文本以将每个单词分开。要获取 div 标签中的文本，可以使用：

Elements div = doc.select("div");
String divText = div[0].text();

然后您可以拆分 divText 以获取每个句子。

请注意，选择查询的返回类型实际上是一个元素列表，即元素。那是因为可以有多个元素匹配您select 查询。在这种情况下，由于每种情况只有一个元素，我们通过访问返回数组的索引 0 来访问它。

编辑：为了遍历所有元素，请检查此answer。基本上

Elements elements = doc.body().select("*");

for (Element element : elements) {
    System.out.println(element.text());
}

虽然可能有没有文本的元素，所以你可以检查一下。

【讨论】：

这实际上就是我现在正在做的事情，但这里的真正目的是在我生成的文件中添加一个\n每次我得到一个结束标签。例如，这样做将允许我的解析器将菜单的文本与实际文本分开。所以我想知道是否没有通用的方法，所以我可以迭代页面上的每个标签
检查我的编辑，它指向另一个答案，在这种情况下可能对您有所帮助。
非常感谢！要检查那个！干杯

【解决方案2】：

市场上有很多 HTML 解析器，比如

HTML 单元
HTMLCleaner
杰里科
JSoup

https://en.wikipedia.org/wiki/Comparison_of_HTML_parsers

谢谢，维内特

【讨论】：

问题不在于可用的解析器。这是关于如何在 Jsoup 中做到这一点。这个答案完全不相关。
不相关的答案